論文の概要: pAElla: Edge-AI based Real-Time Malware Detection in Data Centers
- arxiv url: http://arxiv.org/abs/2004.03670v1
- Date: Tue, 7 Apr 2020 19:48:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 23:32:47.248075
- Title: pAElla: Edge-AI based Real-Time Malware Detection in Data Centers
- Title（参考訳）: pAElla: データセンターにおけるエッジAIベースのリアルタイムマルウェア検出
- Authors: Antonio Libri, Andrea Bartolini, Luca Benini
- Abstract要約: 我々は、高解像度電力消費におけるAI駆動エッジコンピューティングを含むDC/SCのセキュリティを高めるための新しいアプローチについて報告する。
pAEllaと呼ばれるこの方法は、リアルタイムマルウェア検出(MD)をターゲットにしており、DC/SC用のアウトオブバンドIoTベースの監視システムで動作し、電力測定のパワースペクトル密度を含む。
F1スコアは1に近づき、False AlarmとMalware Missは0%に近づいた。
- 参考スコア（独自算出の注目度）: 19.967347450443803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing use of Internet-of-Things (IoT) devices for monitoring a wide
spectrum of applications, along with the challenges of "big data" streaming
support they often require for data analysis, is nowadays pushing for an
increased attention to the emerging edge computing paradigm. In particular,
smart approaches to manage and analyze data directly on the network edge, are
more and more investigated, and Artificial Intelligence (AI) powered edge
computing is envisaged to be a promising direction. In this paper, we focus on
Data Centers (DCs) and Supercomputers (SCs), where a new generation of
high-resolution monitoring systems is being deployed, opening new opportunities
for analysis like anomaly detection and security, but introducing new
challenges for handling the vast amount of data it produces. In detail, we
report on a novel lightweight and scalable approach to increase the security of
DCs/SCs, that involves AI-powered edge computing on high-resolution power
consumption. The method -- called pAElla -- targets real-time Malware Detection
(MD), it runs on an out-of-band IoT-based monitoring system for DCs/SCs, and
involves Power Spectral Density of power measurements, along with AutoEncoders.
Results are promising, with an F1-score close to 1, and a False Alarm and
Malware Miss rate close to 0%. We compare our method with State-of-the-Art MD
techniques and show that, in the context of DCs/SCs, pAElla can cover a wider
range of malware, significantly outperforming SoA approaches in terms of
accuracy. Moreover, we propose a methodology for online training suitable for
DCs/SCs in production, and release open dataset and code.
- Abstract（参考訳）: 幅広いアプリケーションを監視するためのIoT(Internet-of-Things)デバイスの利用が増加し、データ分析にしばしば必要とされる"ビッグデータ"ストリーミングサポートの課題とともに、近年、エッジコンピューティングパラダイムへの注目が高まりつつある。
特に、ネットワークエッジ上でデータを直接管理し分析するためのスマートアプローチは、ますます研究され、人工知能(AI)によるエッジコンピューティングは有望な方向であると想定されている。
本稿では,データセンター(DC)とスーパーコンピュータ(SC)に焦点をあて,次世代の高解像度監視システムが展開され,異常検出やセキュリティなどの新たな分析機会が開かれるとともに,大量のデータを扱うための新たな課題を導入する。
詳細は、高解像度電力消費におけるAI駆動エッジコンピューティングを含む、DC/SCのセキュリティを高めるための、軽量でスケーラブルな新しいアプローチについて報告する。
pAEllaと呼ばれるこの方法は、リアルタイムマルウェア検出(MD)をターゲットにしており、DC/SC用のアウトオブバンドIoTベースの監視システムで動作し、オートエンコーダとともに電力測定のパワースペクトル密度を含む。
結果は有望で、f1-scoreは1近く、偽アラームとマルウェアのミス率は0%に近い。
我々は,本手法を最先端MD手法と比較し,DC/SCの文脈では,pAEllaはより広い範囲のマルウェアをカバーできることを示す。
また,実運用環境でのDC/SCに適したオンライントレーニング手法を提案し,オープンデータセットとコードをリリースする。
関連論文リスト
- A Novel Generative AI-Based Framework for Anomaly Detection in Multicast Messages in Smart Grid Communications [0.0]
デジタル変電所におけるサイバーセキュリティ侵害は、電力系統の運用の安定性と信頼性に重大な課題をもたらす。
本稿では,マルチキャストメッセージのデータセットにおける異常検出(AD)のためのタスク指向対話システムを提案する。
潜在的なエラーが低く、人間の推奨するサイバーセキュリティガイドラインを考えるプロセスよりもスケーラビリティと適応性が向上します。
論文 参考訳（メタデータ） (2024-06-08T13:28:50Z) - X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System [2.556190321164248]
Intrusion Detection Systemsにおける機械学習(ML)モデルとディープラーニング(DL)モデルの使用は、不透明な意思決定による信頼の欠如につながっている。
本稿では、グラフニューラルネットワーク(GNN)の構造的利点を活用して、ネットワークトラフィックデータを効率的に処理する新しい説明可能なIDS手法であるX-CBAを提案する。
本手法は、脅威検出の99.47%で高精度に達成し、その分析結果の明確で実用的な説明を提供する。
論文 参考訳（メタデータ） (2024-02-01T18:29:16Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement
Learning Approach [58.911515417156174]
我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。
本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。
また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
論文 参考訳（メタデータ） (2023-12-01T01:30:49Z) - LightESD: Fully-Automated and Lightweight Anomaly Detection Framework
for Edge Computing [3.096615629099617]
異常検出は、サイバーセキュリティから製造業、金融など、幅広い領域で広く使われている。
ディープラーニングに基づく異常検出は、複雑なデータパターンを認識し、アウトリーチを正確に識別する能力に優れており、最近多くの注目を集めている。
我々は,LightESDと呼ばれる完全自動,軽量,統計的学習に基づく異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-20T18:48:41Z) - A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文 参考訳（メタデータ） (2021-11-02T05:58:07Z) - Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。
今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。
実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。
本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
論文 参考訳（メタデータ） (2021-02-18T13:49:28Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Multi-Source Data Fusion for Cyberattack Detection in Power Systems [1.8914160585516038]
複数のデータソースからの情報を融合することで,サイバーインシデントの発生を識別し,偽陽性を低減できることが示されている。
我々は、サイバー物理電力システムテストベッドでIDSを訓練するためのマルチソースデータ融合を行う。
提案するデータ融合アプリケーションを用いて偽データとコマンドインジェクションに基づく中間攻撃を推測する。
論文 参考訳（メタデータ） (2021-01-18T06:34:45Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。